[论文解读] Beyond the Coverage of Information Spreading: Analytical and Empirical Evidence of Re-exposure in Large-scale Online Social Networks

Xin Lü, Shuo Qin+5 more|arXiv (Cornell University)|Jul 26, 2019

Complex Network Analysis Techniques参考文献 36被引用 4

一句话总结

本文在在线社交网络信息传播中提出再暴露率作为覆盖度之外的关键指标，通过理论建模与新浪微博的真实数据分析，表明网络结构（尤其是度、聚类及传播波动态）显著影响冗余程度。研究发现，高曝光率可与低再暴露率共存，反之亦然，并提出基于共同邻居（CN）的策略，在固定覆盖度下控制冗余。

ABSTRACT

Peer influence and social contagion are key denominators in the adoption and participation of information spreading, such as news propagation, word-of-mouth or viral marketing. In this study, we argue that it is biased to only focus on the scale and coverage of information spreading, and propose that the level of influence reinforcement, quantified by the re-exposure rate, i.e., the rate of individuals who are repeatedly exposed to the same information, should be considered together to measure the effectiveness of spreading. We show that local network structural characteristics significantly affects the probability of being exposed or re-exposed to the same information. After analyzing trending news on the super large-scale online network of Sina Weibo (China's Twitter) with 430 million connected users, we find a class of users with extremely low exposure rate, even they are following tens of thousands of others; and the re-exposure rate is substantially higher for news with more transmission waves and stronger secondary forwarding. While exposure and re-exposure rate typically grow together with the scale of spreading, we find exceptional cases where it is possible to achieve a high exposure rate while maintaining low re-exposure rate, or vice versa.

研究动机与目标

• 为解决信息传播中仅关注覆盖度的局限性，引入再暴露率作为互补指标。
• 探究网络结构特性（如度、聚类及社区结构）如何影响用户重复接收到相同信息的可能性。
• 利用新浪微博的真实数据，验证传播波动态与二次转发在塑造再暴露模式中的作用。
• 设计一种可控制的传播策略，在固定曝光率下实现接近最小或最大再暴露率。
• 为平台和营销人员提供管理洞见，以平衡信息触达范围与冗余程度，提升用户体验与活动效果。

提出的方法

• 基于网络结构使用马尔可夫过程近似个体的暴露与再暴露概率，节点被访问的概率与其度成正比：$ P_i = d_i / \text{sum}(d_j) $。
• 推导再暴露概率公式 $ Pr_i = Pc_i - C_n^1 \nu_i \beta_i^{n-1} - \theta_i $，考虑多重邻居暴露与路径重叠的影响。
• 通过节点间共同邻居数量（CN）建模再暴露，使用 $ CN_{xy} = |\tau(x) \bigcap \tau(y)| $ 指导信息传播路径。
• 提出两种传播策略：CN-Min（最小化共同邻居）与CN-Max（最大化共同邻居），以在保持固定覆盖度的同时控制冗余。
• 利用新浪微博大规模数据（4.30亿用户）进行实证验证，分析传播波次与结构特征下的热门话题。
• 通过理论近似与仿真验证理论再暴露概率与实证观测结果的一致性。

实验结果

研究问题

• RQ1 局部网络结构特征（如度、聚类与社区结构）如何影响用户重复接收到相同信息的概率？
• RQ2 传播波动态与二次转发在大规模信息传播中在多大程度上影响再暴露率？
• RQ3 是否可能实现高曝光率与低再暴露率共存，或反之？何种网络条件促成此类例外情况？
• RQ4 如何设计传播策略以在保持固定覆盖度的同时控制再暴露率？
• RQ5 社会强化在信息传播中起什么作用？其如何通过再暴露模式进行量化？

主要发现

• 即使拥有数万个关注者的用户群体，其曝光率仍极低，表明高连通性并不保证信息广泛传播。
• 传播波次越多、二次转发越强的新闻，其再暴露率显著更高，表明波动态会放大冗余。
• 曝光率与再暴露率并非总同步增长；存在例外情况，即高曝光率与低再暴露率共存，或反之。
• 网络聚类与社区结构倾向于限制长传播波次，但通过增强局部群体内的再暴露，提升社会强化效应。
• CN-Min与CN-Max策略分别成功实现了接近最小与最大再暴露率，同时保持了固定的曝光覆盖度。
• 新浪微博的实证结果表明，理论预测的再暴露概率与不同传播模式下的观测值高度一致。